캐럿과 스파 스 매트릭스와 함께 glmnet을 사용할 수 있습니까?

Question

나를 위해 glmnet을 사용하는 것이 큰 이유 중 하나는 변환하지 않고 직접 스파 스 매트릭스로 작업 할 수 있다는 것입니다. 여기 게시물은 캐럿의 기차 기능이 트레이닝 세트의 데이터 프레임 만 가져올 수 있으며 캐럿 :: 트레인은 같은 것을 제안한다는 것을 나타냅니다. 이게 사실인가요?

Answer 1

과거에는 분명히 사실이었고 현재 예측 데이터는 데이터 프레임으로 변환됩니다. 그러나 패키지에 대한 최근 변경 사항으로 인해 스파 스 매트릭스 객체가 유지 관리 될 수 있습니다.

나는 this을 추가하여 살펴볼 것입니다.

최대

Answer 2

@Noobie이 예를 들어, glmnet와 함께 작동 :

library(glmnet) 
set.seed(1) 
X <- sparseMatrix(i=sample(1:20,20), j=sample(1:20,20), x=sample(1:100,20), 
             dims=c(20,20)) # some random sparse training data 
X 
# [1,] . . . 64 . . . . . . . . . . . . . . . . 
# [2,] . . . . . . . . . . . . . . 98 . . . . . 
# [3,] . . . . . . . . . . . . 43 . . . . . . . 
# [4,] . . . . . . . . . . . . . . . . . . . 51 
# [5,] . . . . . . . . . 7 . . . . . . . . . . 
# [6,] . . . . . . . . . . . . . . . . . . 83 . 
# [7,] . . . . . . . 9 . . . . . . . . . . . . 
# [8,] . . . . 65 . . . . . . . . . . . . . . . 
# [9,] . . . . . . . . . . . . . . . 45 . . . . 
#[10,] . 22 . . . . . . . . . . . . . . . . . . 
#[11,] . . . . . . . . . . . 77 . . . . . . . . 
#[12,] . . . . . . . . 27 . . . . . . . . . . . 
#[13,] . . . . . . . . . . . . . . . . 33 . . . 
#[14,] . . . . . 75 . . . . . . . . . . . . . . 
#[15,] 3 . . . . . . . . . . . . . . . . . . . 
#[16,] . . 54 . . . . . . . . . . . . . . . . . 
#[17,] . . . . . . . . . . . . . 44 . . . . . . 
#[18,] . . . . . . 55 . . . . . . . . . . . . . 
#[19,] . . . . . . . . . . 68 . . . . . . . . . 
#[20,] . . . . . . . . . . . . . . . . . 39 . . 

y <- as.factor(sample(0:1, 20, replace=TRUE)) 

enet.fit <- glmnet(X, y, family='binomial') 

Xtest <- sparseMatrix(i=sample(1:10,10), j=sample(1:20,10), x=sample(1:100,10), 
            dims=c(10,20)) # some random sparse test data 

# [1,] . . . . . 45 . . . . . . . . . . . . . . 
# [2,] . . . . . . . . . . . . . . . . . 21 . . 
# [3,] . . . . . . . . . . . . . . 97 . . . . . 
# [4,] . . . . . . . . . . . 27 . . . . . . . . 
# [5,] . . . . 66 . . . . . . . . . . . . . . . 
# [6,] . . . . . . . . . . . . . 55 . . . . . . 
# [7,] . 35 . . . . . . . . . . . . . . . . . . 
# [8,] . . . . . . . . . 86 . . . . . . . . . . 
# [9,] . . . . . . 13 . . . . . . . . . . . . . 
# [10,] . . . . . . . . . . . . 61 . . . . . . . 

predict(enet.fit, newx=Xtest, type='class',s=0.01) 
#  1 
# [1,] "0" 
# [2,] "1" 
# [3,] "0" 
# [4,] "0" 
# [5,] "1" 
# [6,] "1" 
# [7,] "1" 
# [8,] "1" 
# [9,] "0" 
#[10,] "0"